CN113361892A - 基于时序云模型的电动汽车需求响应潜力估计方法 - Google Patents
基于时序云模型的电动汽车需求响应潜力估计方法 Download PDFInfo
- Publication number
- CN113361892A CN113361892A CN202110601470.3A CN202110601470A CN113361892A CN 113361892 A CN113361892 A CN 113361892A CN 202110601470 A CN202110601470 A CN 202110601470A CN 113361892 A CN113361892 A CN 113361892A
- Authority
- CN
- China
- Prior art keywords
- electric vehicle
- electric
- charge
- demand response
- cloud
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000013598 vector Substances 0.000 claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000007599 discharging Methods 0.000 claims description 55
- 239000011248 coating agent Substances 0.000 claims 1
- 238000000576 coating method Methods 0.000 claims 1
- 238000004590 computer program Methods 0.000 claims 1
- 238000002360 preparation method Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000011156 evaluation Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- PHTXVQQRWJXYPP-UHFFFAOYSA-N ethyltrifluoromethylaminoindane Chemical compound C1=C(C(F)(F)F)C=C2CC(NCC)CC2=C1 PHTXVQQRWJXYPP-UHFFFAOYSA-N 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开基于时序云模型的电动汽车需求响应潜力估计方法,属于计算、推算或计数的技术领域。首先,采集电动汽车充放电状态数据,根据逆向高斯云算法计算每辆电动汽车的云模型向量;其次,计算以最大云相似度为标准对电动汽车进行聚类;再者,根据正向高斯云算法,考虑需求响应筛选条件,预测每辆电动汽车充放电状态的无序随机值作为电动汽车充放电需求响应等级;最后,基于灰色关联系数构造距离矩阵以使无序随机值具有历史数据时间序列的相似性,根据求得的电动汽车充放电需求响应等级时间序列得到电动汽车的充电功率削减量即需求响应潜力,有助于以电动汽车为代表的分布式需求侧资源更可控地参与需求响应,维护电力系统的安全稳定运行。
Description
技术领域
本发明涉及电力调度技术,具体涉及基于时序云模型的电动汽车需求响应潜力估计方法,属于计算、推算或计数的技术领域。
背景技术
随着电力市场改革的推进,以电动汽车为代表的需求侧资源作为电力系统的一种重要资源,受到人们的广泛关注。电动汽车通过削减充电功率提供需求响应,需求响应潜力的评估有助于提高电动汽车响应的可控性,维护电力系统的安全稳定运行。
对需求响应潜力评估的传统方法主要包括两种:一是通过充电桩用电曲线的分析得到电动汽车的充放电特性,从而定性评估需求响应潜力的高低;二是通过对电动汽车充放电进行建模来定量计算需求响应潜力。然而,定性评估无法得到电动汽车可削减充电功率的具体数值,定量计算需要依托大量精确的历史数据,对数据采集和信息传送能力要求较高,因此传统的需求响应潜力评估方法不能满足以电动汽车为代表的运行具有不确定性的分布式需求侧资源参与需求响应时电力系统安全稳定运行的要求。
因此,本发明旨在提出基于时序云模型根据电动汽车不完全数据估计电动汽车需求响应潜力的方法。
发明内容
本发明的发明目的是针对上述背景技术的不足,提供基于时序云模型的电动汽车需求响应潜力估计方法,在采集得到的单辆电动汽车充放电状态时间序列的历史数据不完全的情况下,基于时序云模型评估电动汽车充放电需求响应等级,进而评估电动汽车需求响应潜力,实现在电动汽车历史数据不完全情形下定性评估和定量评估需求响应潜力的发明目的,解决现有需求响应潜力评估方案不适用于电动汽车需求响应潜力估计的技术问题。
本发明为实现上述发明目的采用如下技术方案。
基于时序云模型的电动汽车需求响应潜力估计方法,包括如下四个步骤:
步骤1、采集得到电动汽车充放电状态时间序列的数据,考虑到信息传输过程中可能发生的数据遗失,各时段各电动汽车的充放电状态可能为不完全数据,根据逆向高斯云算法,输出每辆电动汽车的由期望、熵和超熵组成的云模型向量,以这三个数字特征值表征电动汽车充放电状态的不确定性;
步骤2、根据步骤1中每辆电动汽车的云模型向量,计算任意两辆电动汽车云模型向量之间的余弦相似度,组成云相似度矩阵,以最大云相似度为标准对电动汽车进行聚类;
步骤3、根据步骤1中每辆电动汽车的云模型向量,根据正向高斯云算法,考虑需求响应筛选条件,输出每辆电动汽车充放电状态的无序随机值作为电动汽车充放电需求响应等级;
步骤4、根据步骤2中的聚类结果和步骤3中充放电状态的无序随机值,计算每类电动汽车各时段充放电状态历史数据的均值构建具有完全数据的时间序列,具有完全数据的时间序列作为与无序随机值比较的基准值,基于灰色关联系数构造距离矩阵确定与历史数据时间序列具有相似性的各类电动汽车充放电需求响应等级排序方式,根据各类电动汽车充放电需求响应等级时间序列得到电动汽车的充电功率削减量即需求响应潜力。
本发明采用上述技术方案,具有以下有益效果:
(1)本发明在采集得到的单辆电动汽车充放电状态时间序列的历史数据不完全的情况下,采用逆向高斯云算法生成表征电动汽车充放电不确定性的云模型向量,采用正向高斯云算法处理云模型向量输出0到1范围内的连续预测值作为电动汽车充放电状态无序随机值,将电动汽车充放电状态无序随机值表征的电动汽车充放电状态等级作为需求响应定性评估结果。
(2)本发明根据云相似度聚类方法对逆向高斯云算法和正向高斯云算法进行改进,以具有相似不确定性的同类电动汽车充放电状态历史数据的平均值构建完全数据时间序列,以完全数据时间序列为基准值计算各类电动汽车充放电状态无序随机值和基准值的灰色关联系数以使各类电动汽车充放电状态无序随机值具有时序特性,以各类电动汽车充电状态无序随机值的有序时间序列计算各类电动汽车充电功率削减量之和为需求响应的定量评估,在历史数据不完全的情形下能够同时实现需求响应的定性评估和定量评估。
(3)本发明同时考虑电动汽车充放电状态的不确定性和运行约束条件合理评估电动汽车充放电需求响应等级,进而评估电动汽车需求响应潜力,有助于以电动汽车为代表的分布式需求侧资源更可控地参与需求响应,维护电力系统的安全稳定运行。
附图说明
图1是实现本发明电动汽车需求响应潜力估计的计算器的结构示意图。
图2是本发明基于时序云模型的电动汽车需求响应潜力估计方法的流程图。
具体实施方式
下面结合附图对发明的技术方案进行详细说明。
如图2所示,本发明基于时序云模型的电动汽车需求响应潜力估计方法包括以下4个步骤。
步骤1、构建云模型向量
采集单辆电动汽车各时段充放电状态的历史数据得到电动汽车充放电状态时间序列的数据,考虑到信息传输过程中可能发生的数据遗失,各时段各电动汽车的充放电状态可能为不完全数据,根据逆向高斯云算法计算每辆电动汽车充放电状态的期望、熵和超熵组成表征每辆电动汽车充放电状态不确定性的云模型向量,以期望、熵和超熵这三个数字特征值表征电动汽车充放电状态的不确定性。
对于所研究的N辆电动汽车,每辆电动汽车各时段的充放电状态历史数据不一定是完全的。设所研究时段数为T,统计得到的第i辆电动汽车充放电状态数据有Li个(显然Li≤T)。以Li个电动汽车充放电状态历史数据作为逆向高斯云算法的输入量,其中,时,代表第i辆电动汽车第j个时序的充放电状态为充电状态;时,代表第i辆电动汽车第j个时序的充放电状态为放电状态或空闲状态。
根据逆向高斯云算法,计算每辆电动汽车充放电状态数值的期望、熵和超熵组成云模型向量的步骤如下:
⑥由此可得表征第i辆电动汽车充放电状态不确定性的云模型向量Ci:
步骤2、根据云相似度聚类电动汽车
根据步骤1计算得到的每辆电动汽车的云模型向量,计算任意两辆电动汽车云模型向量的余弦相似度构建云相似度矩阵,以最大云相似度为标准对电动汽车进行聚类。
由此可得所研究的所有电动汽车充放电状态不确定性的相似程度组成云相似度矩阵R:
式(3)中,对角线元素rii(i=1,2,...,N)为0,非对角线元素rik(i,k∈1,2,..N i≠k)由式(2)求得。
以最大云相似度为标准对电动汽车进行聚类的步骤如下:
①根据实际需求与运行经验,设定电动汽车聚类之后的种类数量为M(1<M<N/2且M为整数);
②遍历矩阵R右上三角形中的所有元素rik(i,k∈1,2,..N i≤k),按从大到小的顺序进行排列,由于元素的下角标序号i和k分别代表第i辆和第k辆电动汽车,选择其中最大且彼此之间下角标序号均不重复(保证对应的电动汽车不重复)的M个元素作为聚类的参考元素,其对应的2M辆电动汽车作为聚类的基准量;
③将剩下的N-2M辆电动汽车依据与基准量的云相似度最大为标准分为M类。
步骤3、生成每辆电动汽车充放电状态的无序随机值
根据步骤1计算得到的每辆电动汽车的云模型向量,根据正向高斯云算法,考虑需求响应筛选条件,生成每辆电动汽车充放电状态的无序随机值作为电动汽车充放电需求响应等级。
电动汽车需求响应筛选条件指正向高斯云算法计算得到的每辆电动汽车充放电状态的无序随机值εi,t应该满足与电动汽车充放电功率、功率变化量、荷电状态等相关的不等式约束条件,如式(4)至式(6)所示。
εi,tPi min≤Pi,t≤εi,tPi max (4),
-εi,tPi,t≤ΔPi,t≤εi,tPi,t (5),
式(4)至式(6)中:Pi max、Pi min为电动汽车i的充放电功率的上下限;Pi,t、ΔPi,t为电动汽车i在时段t的充放电功率及功率变化量;ηi,t为电动汽车i在时段t的充放电效率,Ei为电动汽车i的容量;为电动汽车i荷电状态的上下限;εi,t为电动汽车i在时段t充放电状态的无序随机值,Soci,t为电动汽车i在时段t的荷电状态。
式(4)限制电动汽车充放电功率不超过限值;式(5)限制电动汽车功率变化量不能超过电动汽车充放电功率;式(6)限制充放电功率变化后荷电状态仍处于合理的区间。
考虑需求响应筛选条件的正向高斯云算法生成每辆电动汽车充放电状态无序随机值的步骤如下:
③检验是否满足筛选条件式(4)~式(6),若不满足,重复步骤①~②;以上筛选条件若满足,则成功输出一个计算结果,重复算法的循环步骤,直到输出的每辆电动汽车充放电状态的无序随机值数量满足T(T为总时段数),否则重复步骤①~③。
步骤4、计算灰色关联系数确定各类电动汽车充放电状态无序随机值的排序以使其与完全历史数据时间序列具有相似性
根据步骤2得到的聚类结果和步骤3得到的充放电状态的无序随机值,计算每类电动汽车各时段充放电状态历史数据的均值,构建具有完全数据的时间序列作为与无序随机值比较的基准值,基于灰色关联系数来构造距离矩阵,使无序随机值具有与历史数据时间序列的相似性,根据求得的电动汽车充放电需求响应等级时间序列得到电动汽车的充电功率削减量即需求响应潜力。
步骤2中以最大云相似度为标准对电动汽车进行聚类,即可认为同一种类的电动汽车充放电状态具有相似的不确定性数字特征。因此,对于电动汽车充放电状态时间序列历史数据不完全的情况,可以通过计算每类电动汽车同一时段充放电状态历史数据的均值来解决。如式(7)所示。
式(7)中,εm,t为第m类电动汽车中所有电动汽车在时段t充放电状态历史数据的均值;T为总时段数;nm为第m类电动汽车中电动汽车数量;为第m类电动汽车中第i'辆电动汽车在时段t充放电状态的历史数据,当历史数据缺失时,由步骤1可知,电动汽车i'对应的T个历史数据中非0数据的个数最多为T-Li'。
由每类电动汽车各时段充放电状态历史数据的平均值组成各类电动汽车充放电状态的完全历史数据时间序列,以平均值组成的完全历史数据时间序列作为与无序随机值比较的基准值,计算灰色关联系数,以灰色关联系数最大为标准使其具有完全历史数据时间序列的相似性,步骤如下:
①输入第m类电动汽车中电动汽车i'根据高斯云算法得到的充放电状态的T个无序随机值,将其随机排列组成第a种序列(最多共T!种排列方法);
②输入第m类电动汽车包括T个数据元素的完全历史数据时间序列,计算基准值与第a种序列的灰色关联系数ζm,i',a,如式(8)所示。
式(8)中,ζm,i',a为第m类电动汽车中第i'个电动汽车充放电状态无序值的第a种随机序列与第m类电动汽车充放电状态的完全历史数据序列的灰色关联系数;为第m类电动汽车中第i'个电动汽车充放电状态无序值的第a种随机序列中时段t数据对应的高斯随机数;和分别为在t=1,2,...,T的各个时段中的最小值和最大值。
③重复步骤①~②,分别计算T!种随机序列中T个数据元素的灰色关联系数,选择满足的第a*种排列方式的随机序列作为最终输出结果εm,i',t(t=1,2,……,T),即第a*种排列方式的随机序列中的数据元素与作为基准值的完全历史数据时间序列的关联度最高,由此得到电动汽车的充放电状态这一不确定性因素的有序时间序列。
电动汽车需求响应潜力,即基于求得的各类电动汽车充放电状态有序时间序列εm,i',t计算各类电动汽车充电功率削减量之和:。
式(9)中:ΔPt为所有种类电动汽车在时段t的充电功率削减量之和;ΔPm,t为第m类电动汽车在时段t的充电功率削减量;εm,i',t和ΔPm,i',t分别为第m类电动汽车第i'个电动汽车在时段t的充放电状态和充放电功率变化量。
本发明公开的基于时序云模型的电动汽车需求响应潜力估计方法,通过如图1所示计算器基于电动汽车充放电状态这一不确定性变量的时间序列的不完全数据,预测各时段各电动汽车充放电状态,进而评估电动汽车需求响应潜力,该计算器包括数据采集模块、逆向高斯云发生器模块、云相似度聚类模块、正向高斯云发生器模块、灰色关联系数比较模块以及输出模块。
安装单辆电动汽车上的数据采集模块,采集单辆电动汽车各时段充放电状态、的历史数据,输出电动汽车充放电状态时间序列的不完全数据至逆向高斯云发生器模块。
逆向高斯云发生器模块,根据每辆电动汽车充放电状态时间序列的不完全数据计算每辆电动汽车充放电状态数据的期望、熵和超熵生成每辆电动汽车的云模型向量,输出每辆电动汽车的云模型向量。
云相似度聚类模块,接收每辆电动汽车的云模型向量,计算任意两辆电动汽车之间云模型向量的余弦相似度构建云相似度矩阵,以最大云相似度为标准对电动汽车进行聚类。
正向高斯云发生器模块,接收每辆电动汽车的云模型向量,考虑需求响应筛选条件,根据接收的数据输出每辆电动汽车充放电状态的无序随机值作为电动汽车充放电需求响应等级。
灰色关联系数比较模块,接收云相似度聚类模块输出的聚类结果和正向高斯云发生器模块输出的每辆电动汽车充放电状态的无序随机值,计算每类电动汽车在同一时段充放电状态历史数据的均值构建具有完全数据的时间序列,具有完全数据的时间序列作为与无序随机值比较的基准值,基于灰色关联系数构造距离矩阵使无序随机值与历史数据时间序列的具有相似性,输出每类电动汽车充放电状态的有序时间序列。
输出模块,接收每类电动汽车充放电状态的有序时间序列,计算各类电动汽车充电功率削减量之和得到电动汽车的充电功率削减量,即获得需求响应潜力。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明技术思想提出的技术方案或在本发明技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (10)
1.基于时序云模型的电动汽车需求响应潜力估计方法,其特征在于,
采集电动汽车充放电状态历史数据;
采用逆向高斯云算法处理电动汽车充放电历史状态数据得到每辆电动汽车的云模型向量;
根据各辆电动汽车的云模型向量构建云相似度矩阵,以最大云相似度为标准对电动汽车进行聚类;
根据各辆电动汽车云模型向量预测满足需求响应筛选条件的充放电状态无序随机值作为各辆电动汽车充放电需求响应等级;
计算各类电动汽车各时段充放电状态历史数据的均值构建每类电动汽车充放电数据的完全时间序列,以各类电动汽车充放电数据的完全时间序列为基准值,计算灰色关联系数确定每类电动汽车充放电需求响应等级时间序列;
根据各类电动汽车充放电需求响应等级时间序列计算各类电动汽车充电功率削减量之和,得到需求响应潜力估计结果。
2.根据权利要求1所述基于时序云模型的电动汽车需求响应潜力估计方法,其特征在于,所述每辆电动汽车的云模型向量包括每辆电动汽车充放电状态数值的期望、熵和超熵这三个数字特征值。
4.根据权利要求2所述基于时序云模型的电动汽车需求响应潜力估计方法,其特征在于,根据各辆电动汽车云模型向量预测满足需求响应筛选条件的充放电状态无序随机值的方法为:根据各辆电动汽车云模型向量生成满足响应筛选条件的各辆电动汽车充放电状态高斯随机数,所述响应筛选条件包括:电动汽车充放电功率极限值约束条件、电动汽车功率变化极限值约束条件、充放电功率变化后荷电状态处于合理区间的约束条件。
6.根据权利要求4所述基于时序云模型的电动汽车需求响应潜力估计方法,其特征在于,所述电动汽车充放电功率极限值约束条件为εi,tPi min≤Pi,t≤εi,tPi max,电动汽车功率变化极限值约束条件为-εi,tPi,t≤ΔPi,t≤εi,tPi,t,充放电功率变化后荷电状态处于合理区间的约束条件为εi,t为第i辆电动汽车在时段t充放电状态的无序随机值,Pi,t、ΔPi,t为第i辆电动汽车在时段t的充放电功率及功率变化量,Pi max、Pi min为第i辆电动汽车的充放电功率的上下限,ηi,t为第i辆电动汽车在时段t的充放电效率,Ei为第i辆电动汽车的容量,为第i辆电动汽车荷电状态的上下限,Soci,t为第i辆电动汽车在时段t的荷电状态。
7.根据权利要求1所述所述基于时序云模型的电动汽车需求响应潜力估计方法,其特征在于,计算灰色关联系数确定每类电动汽车充放电需求响应等级时间序列的公式为:ζm,i'为第m类电动汽车中第i'个电动汽车充放电需求响应等级时间序列,ζm,i',a*为第m类电动汽车中第i'个电动汽车充放电需求响应充放电需求响应等级第a*种排列方式,第m类电动汽车中第i'个电动汽车充放电需求响应充放电需求响应等级共有T!种排列方式,ζm,i',a,t为第m类电动汽车中第i'个电动汽车充放电需求响应的第a种随机序列与第m类电动汽车充放电数据的完全时间序列的灰色关联系数,为第m类电动汽车中第i'个电动汽车充放电需求响应的第a种随机序列中时段t数据对应的高斯随机数,εm,t为第m类电动汽车中所有电动汽车在时段t充放电状态历史数据的均值,T为总时段数;nm为第m类电动汽车中电动汽车数量;为第m类电动汽车中第i'辆电动汽车在时段t充放电状态的历史数据。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1所述的电动汽车需求响应潜力估计方法。
10.实现权利要求1所述基于时序云模型的电动汽车需求响应潜力估计方法的计算器,其特征在于,包括:
数据采集模块,采集电动汽车充放电状态历史数据;
逆向高斯云发生器模块,接收数据采集模块输出的电动汽车充放电状态历史数据,采用逆向高斯云算法处理电动汽车充放电历史状态数据得到每辆电动汽车的云模型向量;
云相似度聚类模块,接收逆向高斯云发生器模块输出的每辆电动汽车的云模型向量,根据各辆电动汽车的云模型向量构建云相似度矩阵,以最大云相似度为标准对电动汽车进行聚类;
正向高斯云发生器模块,接收逆向高斯云发生器模块输出的每辆电动汽车的云模型向量,根据各辆电动汽车云模型向量预测满足需求响应筛选条件的充放电状态无序随机值作为各辆电动汽车充放电需求响应等级;
灰色关联系数比较模块,接收云相似度聚类模块输出的聚类结果以及正向高斯云发生器模块输出的各辆电动汽车充放电需求响应等级,计算各类电动汽车各时段充放电状态历史数据的均值构建每类电动汽车充放电数据的完全时间序列,以各类电动汽车充放电数据的完全时间序列为基准值,计算灰色关联系数确定每类电动汽车充放电需求响应等级时间序列;及,
输出模块,接收灰色关联系数比较模块输出的各类电动汽车充放电需求响应等级时间序列,计算各类电动汽车充电功率削减量之和,输出需求响应潜力估计结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110601470.3A CN113361892B (zh) | 2021-05-31 | 2021-05-31 | 基于时序云模型的电动汽车需求响应潜力估计方法、存储介质及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110601470.3A CN113361892B (zh) | 2021-05-31 | 2021-05-31 | 基于时序云模型的电动汽车需求响应潜力估计方法、存储介质及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361892A true CN113361892A (zh) | 2021-09-07 |
CN113361892B CN113361892B (zh) | 2024-06-14 |
Family
ID=77530525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110601470.3A Active CN113361892B (zh) | 2021-05-31 | 2021-05-31 | 基于时序云模型的电动汽车需求响应潜力估计方法、存储介质及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361892B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113942415A (zh) * | 2021-12-06 | 2022-01-18 | 张志刚 | 基于大数据的电动汽车充电桩电力资源分配方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446540A (zh) * | 2016-09-20 | 2017-02-22 | 华北电力大学(保定) | 一种风电机组健康状态实时评估方法 |
CN109034648A (zh) * | 2018-08-13 | 2018-12-18 | 华南理工大学广州学院 | 一种电动汽车集群需求响应潜力评估方法 |
CN110378548A (zh) * | 2019-05-22 | 2019-10-25 | 国网江苏省电力有限公司盐城供电分公司 | 一种电动汽车虚拟电厂多时间尺度响应能力评估模型构建方法 |
CN110852494A (zh) * | 2019-10-25 | 2020-02-28 | 上海电力大学 | 一种计及需求响应的电动汽车概率负荷预测方法 |
WO2021098352A1 (zh) * | 2019-11-22 | 2021-05-27 | 国网福建省电力有限公司 | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 |
-
2021
- 2021-05-31 CN CN202110601470.3A patent/CN113361892B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446540A (zh) * | 2016-09-20 | 2017-02-22 | 华北电力大学(保定) | 一种风电机组健康状态实时评估方法 |
CN109034648A (zh) * | 2018-08-13 | 2018-12-18 | 华南理工大学广州学院 | 一种电动汽车集群需求响应潜力评估方法 |
CN110378548A (zh) * | 2019-05-22 | 2019-10-25 | 国网江苏省电力有限公司盐城供电分公司 | 一种电动汽车虚拟电厂多时间尺度响应能力评估模型构建方法 |
CN110852494A (zh) * | 2019-10-25 | 2020-02-28 | 上海电力大学 | 一种计及需求响应的电动汽车概率负荷预测方法 |
WO2021098352A1 (zh) * | 2019-11-22 | 2021-05-27 | 国网福建省电力有限公司 | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 |
Non-Patent Citations (1)
Title |
---|
李逸欣;杨军;陈杰军;: "城市电动汽车服务网络服务能力动态评估方法研究", 电测与仪表, no. 15, 10 August 2018 (2018-08-10) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113942415A (zh) * | 2021-12-06 | 2022-01-18 | 张志刚 | 基于大数据的电动汽车充电桩电力资源分配方法及系统 |
CN113942415B (zh) * | 2021-12-06 | 2023-05-05 | 张志刚 | 基于大数据的电动汽车充电桩电力资源分配方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113361892B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059844B (zh) | 基于集合经验模态分解和lstm的储能装置控制方法 | |
CN113610303B (zh) | 一种负荷预测方法及系统 | |
CN108256697A (zh) | 一种用于电力系统短期负荷的预测方法 | |
CN112186743A (zh) | 一种基于深度强化学习的动态电力系统经济调度方法 | |
CN107037373B (zh) | 基于神经网络的蓄电池剩余电量预测方法 | |
CN111401757B (zh) | 一种计及时空相关性的多区域电力负荷时序场景建模方法 | |
CN108376985B (zh) | 一种电动汽车充电负荷模型建立及节点电压计算方法 | |
CN111709672A (zh) | 基于场景和深度强化学习的虚拟电厂经济调度方法 | |
CN112131733A (zh) | 计及电动汽车充电负荷影响的分布式电源规划方法 | |
CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
Akpinar et al. | Forecasting natural gas consumption with hybrid neural networks—Artificial bee colony | |
CN113361892A (zh) | 基于时序云模型的电动汽车需求响应潜力估计方法 | |
CN116468138A (zh) | 空调负荷预测方法、系统、电子设备及计算机存储介质 | |
CN114285086B (zh) | 基于改进蚁群算法的电化学储能电站能量调度方法及系统 | |
CN113837812B (zh) | 节点电价联合概率预测方法及装置 | |
CN109460875B (zh) | 基于果蝇优化算法的电力系统经济调度方法 | |
CN114580251A (zh) | 一种配电台区电动汽车充电负荷分析方法及装置 | |
CN111914900B (zh) | 一种用户用电模式分类方法 | |
CN113435663A (zh) | 一种考虑电动汽车充电负荷影响的cnn-lstm联合负荷预测方法 | |
Guo et al. | Research on short-term forecasting method of photovoltaic power generation based on clustering SO-GRU method | |
CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
CN112003279B (zh) | 层次化微电网新能源消纳能力的评估方法 | |
CN115663914A (zh) | 一种基于深度强化学习的含风电虚拟电厂聚合调度方法 | |
CN116227721A (zh) | 基于生成对抗网络的用户负荷率预测方法及系统 | |
CN114358490A (zh) | 面向电力需求响应的多可调资源调节能力聚合方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |